طبقه بند همباشی ادراکی مبتنی بر منطق فازی توسعه یافته

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 255

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_TJEE-50-4_029

تاریخ نمایه سازی: 9 خرداد 1400

Abstract:

پایگاه قوانین طبقه بند فازی همباشی (FAC)، مجموعه ای از قوانین فازی همباشی است که اغلب مبتنی بر داده های کمی سیستم می باشد. درحالی که در دنیای واقعی- با پیچیدگی ها و عدم قطعیت های موجود- طبقه بندی، یک مسئله تصمیم گیری است که تحت تاثیر شدید دانش، تجربه، و دیدگاه شخصی افراد می باشد. در این مقاله، ساختار کلی ف-طبقه بند فازی همباشی(f-FAC) را در چارچوب منطق فازی توسعه یافته معرفی می نماییم که بیش از پیش به شیوه تفکر و استنتاج آدمی نزدیک می باشد. در ساختار پیشنهادی، دانش و تجربه انسانی در قالب مفهوم اعتبار فازی در هر دو مرحله تشکیل پایگاه قوانین و استنتاج طبقه بندهای فازی همباشی لحاظ شده است. در این طبقه بند، اعتبار مشخصه ها و قوانین با تلفیق نظرکارشناسان براساس هوش جمعی و با استفاده از محاسبات ادراکی تعیین می گردد. به منظور ارزیابی روش پیشنهادی، f-FARC-HD به عنوان توسعه ای از طبقه بند FARC-HD پیاده سازی شده و با تعدادی از طبقه بندهای دیگر- فازی همباشی و غیرفازی همباشی- مقایسه می شود. همچنین، کارآیی دو طبقه بند f-FARC-HD و FARC-HD در سطوح مختلف اغتشاش بررسی می گردد. آزمایش ها بر روی یک مجموعه داده واقعی ازاطلاعات بیماران بخش سوختگی بیمارستان های اهواز اجرا شده است. نتایج نشان می دهد که با در نظر گرفتن مفهوم اعتبار در f-FARC-HD، طبقه بندی کارا با پیچیدگی بسیار کم تر بدست می آید که حساسیت آن نسبت به تغییرات اغتشاش کمتر از FARC-HD می باشد.

Keywords:

اعتبار , منطق فازی توسعه یافته , طبقه بند فازی همباشی , عدم قطعیت , محاسبات ادراکی

Authors

مهناز کدخدا

قطب علمی رایانش نرم و پردازش هوشمند اطلاعات-گروه مهندسی کامپیوتر- دانشکده مهندسی- دانشگاه فردوسی مشهد

محمد رضا اکبرزاده توتونچی

قطب علمی رایانش نرم و پردازش هوشمند اطلاعات-گروه مهندسی کامپیوتر- دانشکده مهندسی- دانشگاه فردوسی مشهد

فرناز صباحی

دانشکده برق و کامپیوتر- دانشگاه ارومیه

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • M. Antonelli, D. Bernardo, H. Hagras, and F. Marcelloni, “Multiobjective ...
  • A. Ferranti, F. Marcelloni, A. Segatori, M. Antonelli, and P. ...
  • M. I. Rey, M. Galende, M. J. Fuente, and G. ...
  • R. Agrawal, R. Srikant, and others, “Fast algorithms for mining ...
  • M. Kadkhoda, M.-R. Akbarzadeh-T, and S. M. Taheri, “Mining fuzzy ...
  • Z. Davarzani, M. Kadkhoda, and M. R. Akbarzadeh Totonchi, “A ...
  • Z. Zhang, W. Pedrycz, and J. Huang, “Efficient mining product-based ...
  • Z. Chen and G. Chen, “Building an associative classifier based ...
  • S. Saraswathi and N. Kannan, “A hybrid associative classification model ...
  • V. G. Giannoglou, D. G. Stavrakoudis, J. B. Theocharis, and ...
  • J. P. Lucas, A. Laurent, M. N. Moreno, and M. ...
  • J. A. Sanz, A. Fernández, H. Bustince, and F. Herrera, ...
  • Y. Ma, G. Chen, and Q. Wei, “A novel business ...
  • J. Sanz, D. Bernardo, F. Herrera, H. Bustince Sola, and ...
  • R. Alcalá, J. Alcalá-Fdez, and F. Herrera, “A proposal for ...
  • J. Alcala-Fdez, R. Alcala, and F. Herrera, “A fuzzy association ...
  • M. Fazzolari, R. Alcala, Y. Nojima, H. Ishibuchi, and F. ...
  • M. Fazzolari, R. Alcalá, and F. Herrera, “A multi-objective evolutionary ...
  • L. A. Zadeh, “Toward extended fuzzy logic—A first step”, Fuzzy ...
  • فرناز صباحی و محمد رضا اکبرزاده توتونچی، «شناسایی سیستم های ...
  • F. Sabahi and M.-R. Akbarzadeh-T, “Introducing validity in fuzzy probability ...
  • V. A. Niskanen, “A concept map approach to approximate reasoning ...
  • J. Surowiecki, “The wisdom of crowds. ۲۰۰۴ Anchor”, Reprint edition ...
  • الناز زعفرانی معطر, محمدرضا فیضی درخشی و آزاده روحانی, «تشخیص ...
  • سید هادی حسینی, بابک نجار اعرابی, بهزاد مشیری و اشکان ...
  • L. A. Zadeh, “Fuzzy logic and approximate reasoning”, Synthese, vol. ...
  • L. A. Zadeh, “From fuzzy logic to extended fuzzy logic-A ...
  • F. Sabahi and M. R. Akbarzadeh-T, “Extended fuzzy logic: sets ...
  • F. Sabahi and M.-R. Akbarzadeh-T, “A qualified description of extended ...
  • F. Sabahi and M. Akbarzadeh Tootoonchi, “A framework for analysis ...
  • F. Liu and J. M. Mendel, “Encoding words into interval ...
  • D. Wu, J. M. Mendel, and S. Coupland, “Enhanced interval ...
  • J. Mendel and D. Wu, Perceptual Computing: Aiding People in ...
  • B. Kavšek and N. Lavrač, “APRIORI-SD: Adapting association rule learning ...
  • B. Liu, W. Hsu and Y. Ma, “Integrating classification and ...
  • B. Liu, Y. Ma, and C.-K. Wong, “Classification using association ...
  • W. Li, J. Han, and J. Pei, “CMAR: Accurate and ...
  • M. Nandhini, M. Rajalakshmi, and S. N. Sivanandam, “Experimental and ...
  • J. R. Quinlan, C۴. ۵: programs for machine learning. Elsevier, ...
  • J. Hühn and E. Hüllermeier, “FURIA: An algorithm for unordered ...
  • X. Zhu and X. Wu, “Class noise vs. attribute noise: ...
  • نمایش کامل مراجع